2 зачётные единицы
английский языкСтоимость прохождения процедур оценки результатов обучения с идентификацией личности - 9000 Р.
Стоимость полного доступа к материалам курса — 9000 ₽ (включая НДС 22%). Оплата — единоразово, 100% предоплата. Доступ открывается сразу после оплаты.
У курса есть бесплатная ознакомительная часть: нажмите на кнопку “Записаться”, этот курс появится у вас в разделе “Мои курсы”, и вы сможете посмотреть бесплатные общедоступные видеолекции, после чего принять решение: покупать курс или нет.
Вы можете пройти повышение квалификации по этому курсу в онлайн-формате. В отличие от сертификата, удостоверение о повышении квалификации — это официальный документ государственного образца (72 часа, ФИС ФРДО).
Записаться на программу повышения квалификации можно по ссылке.
Как получить сертификат?
Оплатить доступ ко всему контенту, пройти все тесты (включая итоговый) минимум на 60 баллов из 100. Напоминаем - это не документ государственного образца.
Как долго будет доступен курс?
Доступ к видеолекциям сохраняется на весь период сессии (минимум 14 дней с даты оплаты). Вы можете вернуться к материалам в любое время.
Какие технические требования?
Компьютер с доступом в интернет (от 1 Мбит/с), современный браузер.
Остались вопросы? Напишите нам: openedu@mephi.ru
Обучение ведётся на русском языке. Все услуги предоставляются в соответствии с публичной офертой.
1. Yoshua Bengio. Learning Deep Architectures for AI // Foundations and Trends in Machine Learning: Vol. 2: No. 1, pp 1-127. 2009.
2. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition. Springer, 2009.
3. I. Goodfellow, Y. Bengio, and A. Courville. Deep learning. MIT press, 2016.
4. J. Gareth, et al. An introduction to statistical learning. New York: Springer, 2013.
5. M. Nielsen. Neural networks and deep learning. San Francisco, CA, USA: Determination press, 2015.
Для изучения данного курса требуются знания университетских курсов математического анализа, линейной алгебры, теории вероятностей и математической статистики. Желательны базовые знания методов оптимизации и прикладного статистического анализа данных.
Знание английского языка на уровне не ниже Intermediate.
This course requires knowledge of university courses in mathematical analysis, linear algebra, probability theory, and mathematical statistics. Basic knowledge of optimization methods and applied statistical data analysis is desirable.
English language proficiency at least at the Intermediate level is required.
Module 1. Introduction.
1. Artificial neural networks as biologically inspired models.
2. The structure of a neuron.
3. Brief history of artificial neural networks.
4. AI, ML and ANNs.
5. An overview of neural network architectures.
Module 2. Multilayer neural networks.
Lesson 1. Activation functions.
Lesson 2. Mathematical model of multilayer neural network.
Lesson 3. Loss functions.
Lesson 4. Backpropagation algorithm.
Module 3. Neural Network Training algorithms.
Lesson 1. Gradient descent methods.
Lesson 2. Per-parameter adaptive learning rate methods.
Lesson 3. Stochastic gradient descent.
Lesson 4. Second order methods.
Lesson 5. Weight initialization.
Module 4. Generalization in Neural Networks.
Lesson 1. Generalization capability.
Lesson 2. Bias-variance decomposition.
Lesson 3. Cross-validation techniques.
Lesson 4. Regularization techniques.
Lesson 5. Dropout and batch-normalization.
Модуль 1. Вступление.
1. Искусственные нейронные сети как биологически вдохновленные модели.
2. Структура нейрона.
3. Краткая история искусственных нейронных сетей.
4. Искусственный интеллект, ML и ANNS.
5. Обзор архитектур нейронных сетей.
Модуль 2. Многослойные нейронные сети.
Урок 1. Функции активации.
Урок 2. Математическая модель многослойной нейронной сети.
Урок 3. Функции потерь.
Урок 4. Алгоритм обратного распространения.
Модуль 3. Алгоритмы обучения нейронной сети.
Урок 1. Методы градиентного спуска.
Урок 2. Методы адаптивной скорости обучения для каждого параметра.
Урок 3. Стохастический градиентный спуск.
Урок 4. Методы второго порядка.
Урок 5. Инициализация веса.
Модуль 4. Обобщение в нейронных сетях.
Урок 1. Возможность обобщения.
Урок 2. Декомпозиция на основе смещения и дисперсии.
Урок 3. Методы перекрестной проверки.
Урок 4. Методы регуляризации.
Урок 5. Отсев и пакетная нормализация.
Основные архитектуры и математические модели нейронных сетей.
Методы обучения нейронных сетей.
Методы оценки качества нейронных сетей.
Методы улучшения обобщающей способности нейронных сетей.
Basic architectures and mathematical models of neural networks.
Methods of training neural networks.
Methods of evaluating the quality of neural networks.
Methods of improving the generalization ability of neural networks.
Применять нейронные сети для решения прикладных задач обработки данных.
Применять методы обучения нейронных сетей и настраивать их параметры.
Оценивать обобщающие способности нейронных сетей.
Apply neural networks to solve applied data processing problems.
Apply neural network training methods and adjust their parameters.
Evaluate the generalization abilities of neural networks.
Владеть терминологией теории нейронных сетей.
Владеть инструментальными средствами для обучения нейронных сетей.
To be familiar with the terminology of neural network theory.
To be familiar with the tools for training neural networks.
После курса вы сможете (вот что попадёт в ваше резюме):
Для возврата средств направьте письменное требование на openedu@mephi.ru. Возврат осуществляется в течение 15 рабочих дней.
Что будет, если я пройду курс очень быстро?
Даже если вы успешно завершите программу за 3–4 дня, доступ к материалам сохранится на весь установленный срок сессии (минимум на 14 дней).
Что такое прокторинг?
Это система видеонаблюдения во время итогового теста. Вы выбираете удобное время, сотрудники МИФИ проверят запись. Это гарантирует, что удостоверение получите именно вы.
Можно ли пересдать тесты?
Да, каждый тест (как промежуточный, так и итоговый) можно пройти 2 раза.
Какие технические требования?
Компьютер с доступом в интернет (от 1 Мбит/с), веб-камера для прокторинга, современный браузер.
Остались вопросы? Напишите нам: openedu@mephi.ru
Обучение ведётся на русском и английском языках. Программа реализуется с применением исключительно электронного обучения и дистанционных образовательных технологий. Все услуги предоставляются в соответствии с публичной офертой.
Ключевые слова: нейронные сети обучение, Deep Learning курс, математические основы нейронных сетей, backpropagation алгоритм, функции активации, loss функции, градиентный спуск, регуляризация нейронных сетей, dropout, batch normalization, повышение квалификации ИИ.
Информация для сертификата (Знать/Уметь/Владеть):
Знать: основные архитектуры и математические модели нейронных сетей; методы обучения нейронных сетей; методы оценки качества и обобщающей способности.
Уметь: применять нейронные сети для решения прикладных задач обработки данных; настраивать параметры обучения; оценивать обобщающую способность.
Владеть: терминологией теории нейронных сетей; инструментальными средствами для обучения нейронных сетей.
Курс уже начался
Стоимость: 22000 ₽
НИЯУ МИФИПрограмма уже началась
СПбГУКурс уже началсяКурс уже начался
Кандидат технических наук, доцент
Должность: доцент Института интеллектуальных кибернетических систем НИЯУ МИФИ
Национальный исследовательский ядерный университет «МИФИ»
Войти и записаться